KR102486901B1 - 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 - Google Patents
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 Download PDFInfo
- Publication number
- KR102486901B1 KR102486901B1 KR1020200141352A KR20200141352A KR102486901B1 KR 102486901 B1 KR102486901 B1 KR 102486901B1 KR 1020200141352 A KR1020200141352 A KR 1020200141352A KR 20200141352 A KR20200141352 A KR 20200141352A KR 102486901 B1 KR102486901 B1 KR 102486901B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- learning
- individual
- borrowers
- review
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치는, 생성적 적대 신경망을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하는 데이터 생성부와, 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 상기 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 상기 복제 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경에서 상기 개별 차주에 대응하는 학습용 심사 기초 데이터 및 상기 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태 데이터로서 생성하고, 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상 데이터로서 생성하는 강화학습 환경부와, 상기 강화학습 환경부로부터 제공되는 상기 상태 데이터에 따른 상태 인식에 기초하여 행동을 실행하면서 상기 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 주는 강화학습 에이전트부를 포함한다.
Description
본 발명은 생성적 적대 신경망(Generative Adversarial Network, GAN) 및 강화학습을 통한 금융여신 심사 장치와 이 금융여신 심사 장치에 의해 수행되는 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법에 관한 것이다.
금융기관의 업무 중 여신 업무는 그 금융기관의 수익 중 대부분을 차지하고 있기에 매우 중요한 업무라고 할 수 있다.
금융여신에 따라 해당 금융기관이 얻는 수익을 결정하는 요소는 여신 심사 승인율, 개별금리, 개별한도, 부도율, 대출 승인 수 등이 있으나, 종래의 금융여신 심사 과정에 의하면, 개별금리와 개별한도를 제외한 나머지 요소들은 고정시켜 놓은 상태에서 금융여신에 대한 심사를 수행하였다.
실시예에 의하면, 여신 운용에 대한 수익 변화율 또는 수익율 변화율이 최대화될 수 있는 여신 심사 기준이나 금리 또는 한도를 생성적 적대 신경망 및 강화학습을 통하여 도출하는 강화학습을 통한 금융여신 심사 장치 및 방법을 제공한다.
본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
제 1 관점에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치는, 생성적 적대 신경망을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하는 데이터 생성부와, 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 상기 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 상기 복제 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경(environment)에서 상기 개별 차주에 대응하는 학습용 심사 기초 데이터 및 상기 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태(status) 데이터로서 생성하고, 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상(reward) 데이터로서 생성하는 강화학습 환경부와, 상기 강화학습 환경부로부터 제공되는 상기 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 상기 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 주는 강화학습 에이전트부를 포함한다.
제 2 관점에 따른 금융여신 심사 장치에 의해 수행되는 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법은, 상기 금융여신 심사 장치가 생성적 적대 신경망을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하는 단계와, 상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경(environment)에서 상기 개별 차주에 대응하는 학습용 심사 기초 데이터 및 상기 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태(status) 데이터로서 생성하는 단계와, 상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상(reward) 데이터로서 산출하는 단계와, 상기 금융여신 심사 장치가 상기 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 상기 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 주는 단계를 포함한다.
제 3 관점에 따라, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체는, 상기 컴퓨터 프로그램이, 프로세서에 의해 실행되면, 상기 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
제 4 관점에 따라, 컴퓨터 판독 가능 기록매체에 저장되어 있는 컴퓨터 프로그램은, 상기 컴퓨터 프로그램이, 프로세서에 의해 실행되면, 상기 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함한다.
실시예에 따르면, 여신 운용에 대한 수익 변화율 또는 수익율 변화율이 최대화될 수 있는 여신 심사 기준이나 금리 또는 한도를 생성적 적대 신경망 및 강화학습을 통하여 도출함으로써, 금융기관의 금융여신 심사가 최적 상태로 운영되게 할 수 있다.
도 1은 본 발명의 실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치의 구성도이다.
도 2는 도 1에 도시된 강화학습 환경부의 세부 구성도이다.
도 3은 본 발명의 실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치에 의해 수행되는 강화학습을 통한 금융여신 심사 방법을 설명하기 위한 흐름도이다.
도 2는 도 1에 도시된 강화학습 환경부의 세부 구성도이다.
도 3은 본 발명의 실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치에 의해 수행되는 강화학습을 통한 금융여신 심사 방법을 설명하기 위한 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 '부'라는 용어는 소프트웨어 또는 FPGA나 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 본 발명의 실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치의 구성도이고, 도 2는 도 1에 도시된 강화학습 환경부의 세부 구성도이다.
도 1 및 도 2를 참조하면, 실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치(100)는 강화학습 환경부(110), 강화학습 에이전트부(120) 및 데이터 생성부(140)를 포함하며, 강화학습 환경 조정부(130)를 더 포함할 수 있다. 강화학습 환경부(110)는 데이터 획득부(111), 제 1 인공 신경망 모델부(112), 제 2 인공 신경망 모델부(113), 제 3 인공 신경망 모델부(114) 및 데이터 제공부(115)를 포함한다. 이처럼, 금융여신 심사 장치(100)를 구성하는 각각의 구성요소들은 마이크로프로세서(Microprocessor) 등과 같은 컴퓨팅 연산수단을 포함할 수 있다.
데이터 생성부(140)는 생성적 적대 신경망(GAN)을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성한다. 여기서, 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무 데이터(재무제표 등 공시자료에 표준화된 데이터)/비재무 데이터(차주의 신용, 담보 등의 금융 정보와 주소지 이전 정보, 상품의 시장 가치 등의 정보를 통해 차주의 신용 정보를 파악하기 위한 데이터)에 기초하여 산출한 점수에 대한 데이터 및 신용등급에 대한 데이터를 포함할 수 있다.
이러한 데이터 생성부(140)는 복수의 딥러닝에 의한 생성자 신경망 모델과 감별자 신경망 모델을 포함할 수 있다. 생성자 신경망 모델은 랜덤 노이즈를 이용하여 학습용 심사 기초 데이터와 비슷한 복제 심사 기초 데이터를 생성하고, 감별자 신경망 모델은 학습용 심사 기초 데이터와 복제 심사 기초 데이터를 비교하여, 생성자 신경망 모델과 감별자 신경망 모델의 경쟁을 통해 학습하고 복수의 학습용 복제 심사 기초 데이터를 결과물로서 생성한다.
강화학습 환경부(110)는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경(environment)에서 개별 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태(status) 데이터로서 생성하여 강화학습 에이전트부(120)에 제공한다.
이러한 강화학습 환경부(110)에 제공되는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터는 예를 들어, 대면 영업채널 및 비대면 영업채널에서 유입되는 이용자 수, 대출이 실행된 차주들의 종합적인 금리의 평균값은 평균 금리, 대출이 실행된 차주들의 평균 한도, 기준 금리, 물가 상승률, 화사채 가격 등의 리스크를 측정하기 위한 거시 경제 지표, 여신의 리스크를 트래킹하는 지표인 히스토리컬(historical) 데이터 등을 포함할 수 있다.
강화학습 환경부(110)에 제공되는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터는 예를 들어, 여신 정책에 따른 승인 컷-오프(cut-off) 기준을 점수 혹은 등급으로 설정한 승인 컷-오프 전략 데이터 등을 포함할 수 있다.
강화학습 환경부(110)에 제공되는 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터는 재무제표 등 공시자료에 표준화된 재무 데이터, 차주의 신용, 담보 등의 금융 정보와 주소지 이전 정보, 상품의 시장 가치 등의 정보를 통해 차주의 신용 정보를 파악하기 위한 비재무 데이터, 금융기관이 사용하는 신용평가 기준에 따른 신용등급 등을 포함할 수 있다.
아울러, 강화학습 환경부(110)는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상(reward) 데이터로서 생성하여 강화학습 에이전트부(120)에 제공한다.
강화학습 환경부(110)의 데이터 획득부(111)는 전체 차주에 대응하는 학습용 심사 기준 데이터, 개별 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 복제 심사 기초 데이터, 학습용 개별금리 데이터 및 학습용 개별한도 데이터를 제 1 학습용 입력 데이터 세트로서 획득하고, 제 1 학습용 상태 데이터 세트에 대한 제 1 레이블 데이터로서 여신 심사 승인율 데이터를 획득한다. 예를 들어, 제 1 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기준 데이터는 승인 컷-오프 전략에 따른 승인 여부에 대한 데이터를 포함할 수 있고, 제 1 학습용 입력 데이터 세트에 포함되는 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터에 기초하여 산출한 점수에 대한 데이터 및 신용등급에 대한 데이터를 포함할 수 있다.
그리고, 데이터 획득부(111)는 전체 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 연체율 데이터, 개별 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 복제 심사 기초 데이터를 제 2 학습용 입력 데이터 세트로서 획득하고, 제 2 학습용 입력 데이터 세트에 대한 제 2 레이블 데이터로서 부도율 데이터를 획득한다. 예를 들어, 제 2 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기초 데이터는 거시 경제 지표 데이터를 포함할 수 있고, 제 2 학습용 입력 데이터 세트에 포함되는 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터 및 신용등급에 대한 데이터를 포함할 수 있다.
그리고, 데이터 획득부(111)는 개별 차주에 대응하는 학습용 개별금리 데이터 및 학습용 개별한도 데이터, 전체 차주에 대응하는 전체 대출 승인 수 및 개별 차주에 대응하는 학습용 예측 부도율을 제 3 학습용 입력 데이터 세트로서 획득하고, 제 3 학습용 입력 데이터 세트에 대한 제 3 레이블 데이터로서 여신 운용에 따른 원금 손실 데이터를 획득한다.
강화학습 환경부(110)의 제 1 인공 신경망 모델부(112)는 제 1 학습용 입력 데이터 세트와 제 1 레이블 데이터를 제 1 인공 신경망 모델이 학습한 후 개별 차주에 대응하는 제 1 여신 심사용 데이터가 학습된 제 1 인공 신경망 모델에 입력되면 전체 차주에 대응하는 여신 심사 승인율을 출력한다.
강화학습 환경부(110)의 제 2 인공 신경망 모델부(113)는 제 2 학습용 입력 데이터 세트와 제 2 레이블 데이터를 제 2 인공 신경망 모델이 학습한 후 개별 차주에 대응하는 제 2 여신 심사용 데이터가 학습된 제 2 인공 신경망 모델에 입력되면 개별 차주에 대응하는 예측 부도율을 출력한다.
강화학습 환경부(110)의 제 3 인공 신경망 모델부(114)는 제 3 학습용 입력 데이터 세트와 제 3 레이블 데이터를 제 3 인공 신경망 모델이 학습한 후 개별 차주에 대응하는 제 3 여신 심사용 데이터가 학습된 제 3 인공 신경망 모델에 입력되면 전체 대출 승인 수에 대응하는 원금 손실 데이터를 출력한다.
강화학습 환경부(110)의 데이터 제공부(115)는 제 1 인공 신경망 모델부(112)가 출력하는 전체 차주에 대응하는 여신 심사 승인율, 제 2 인공 신경망 모델부(113)가 출력하는 개별 차주에 대응하는 예측 부도율, 제 3 인공 신경망 모델부(114)가 출력하는 전체 대출 승인 수에 대응하는 원금 손실 데이터 및 전체 대출 승인 수에 대응하는 대출 금액에 기초하여 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 산출하며, 산출된 수익 변화율 또는 수익율 변화율을 보상 데이터로서 강화학습 에이전트부(120)에 제공한다. 예를 들어, 데이터 제공부(115)가 강화학습 에이전트부(120)에 제공하는 상태(status) 데이터는 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 이외에도 부도 금액, 대출 신청 수, 수익, 수익률 등을 포함할 수 있다.
강화학습 에이전트부(120)는 강화학습 환경부(110)로부터 제공되는 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 강화학습 환경부(110)로부터 제공되는 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 준다. 강화학습 환경 조정부(130)를 포함하여 금융여신 심사 장치(100)를 구현한 경우에 강화학습 에이전트부(120)의 출력은 강화학습 환경 조정부(130)에 제공되고, 강화학습 환경 조정부(130)를 제외하여 금융여신 심사 장치(100)를 구현한 경우에 강화학습 에이전트부(120)의 출력은 강화학습 환경부(110)에 제공된다.
강화학습 환경 조정부(130)는 강화학습 에이전트부(120)로부터 제공되는 행동 데이터에 따라 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나를 조정하여 강화학습 환경부(110)에 제공한다.
도 3은 본 발명의 실시예에 따른 금융여신 심사 장치에 의해 수행되는 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법을 설명하기 위한 흐름도이다.
이하, 도 1 내지 도 3을 참조하여 본 발명의 실시예에 따른 금융여신 심사 장치(100)에 의해 수행되는 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법에 대하여 자세히 살펴보기로 한다. 아래의 설명에서는 강화학습 환경 조정부(130)를 포함하여 금융여신 심사 장치(100)를 구현한 경우에 대해서 예시적으로 설명하였다.
먼저, 금융여신 심사 장치(100)를 이용한 금융여신 운용을 위해서는 강화학습 환경부(110)에 포함되는 제 1 인공 신경망 모델부(112)와 제 2 인공 신경망 모델부(113) 및 제 3 인공 신경망 모델부(114)에 대한 학습을 선행할 필요가 있다. 이러한 학습을 위해서는 강화학습 환경부(110)에 학습용 데이터와 이에 대응하는 레이블 데이터를 제공하여야 하고, 강화학습 환경부(110)의 제 1 인공 신경망 모델부(112)와 제 2 인공 신경망 모델부(113) 및 제 3 인공 신경망 모델부(114)는 데이터 획득부(111)를 통하여 학습용 데이터 및 레이블 데이터를 제공받아 학습을 수행한다.
이러한 선행 학습을 위하여, 데이터 생성부(140)는 생성적 적대 신경망(GAN)을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하여 강화학습 환경부(110)에 제공한다. 예를 들어, 데이터 생성부(140)는 최적의 학습 성능을 나타낼 수 있는 수만큼 학습용 복제 심사 기초 데이터를 생성할 수 있다. 여기서, 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무 데이터(재무제표 등 공시자료에 표준화된 데이터)/비재무 데이터(차주의 신용, 담보 등의 금융 정보와 주소지 이전 정보, 상품의 시장 가치 등의 정보를 통해 차주의 신용 정보를 파악하기 위한 데이터)에 기초하여 산출한 점수에 대한 데이터 및 신용등급에 대한 데이터를 포함할 수 있다.
이러한 데이터 생성부(140)는 복수의 딥러닝에 의한 생성자 신경망 모델과 감별자 신경망 모델을 포함할 수 있다. 생성자 신경망 모델은 랜덤 노이즈를 이용하여 학습용 심사 기초 데이터와 비슷한 복제 심사 기초 데이터를 생성하고, 감별자 신경망 모델은 학습용 심사 기초 데이터와 복제 심사 기초 데이터를 비교하여, 생성자 신경망 모델과 감별자 신경망 모델의 경쟁을 통해 학습하고 복수의 학습용 복제 심사 기초 데이터를 결과물로서 생성한다(S300).
그리고, 강화학습 환경부(110)의 데이터 획득부(111)는 전체 차주에 대응하는 학습용 심사 기준 데이터, 개별 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 복제 심사 기초 데이터, 학습용 개별금리 데이터 및 학습용 개별한도 데이터를 제 1 학습용 입력 데이터 세트로서 획득하고, 제 1 학습용 상태 데이터 세트에 대한 제 1 레이블 데이터로서 여신 심사 승인율 데이터를 획득하며, 획득된 제 1 학습용 입력 데이터 세트 및 제 1 레이블 데이터를 제 1 인공 신경망 모델부(112)에 제공한다. 예를 들어, 제 1 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기준 데이터는 승인 컷-오프 전략에 따른 승인 여부에 대한 데이터를 포함할 수 있고, 제 1 학습용 입력 데이터 세트에 포함되는 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터에 기초하여 산출한 점수에 대한 데이터 및 신용등급에 대한 데이터를 포함할 수 있다(S301).
그러면, 강화학습 환경부(110)의 제 1 인공 신경망 모델부(112)의 제 1 인공 신경망 모델이 데이터 획득부(111)로부터 제공받는 제 1 학습용 입력 데이터 세트와 제 1 레이블 데이터에 대한 학습을 수행한다(S302).
이후, 개별 차주에 대응하는 제 1 여신 심사용 데이터가 강화학습 환경부(110)에 제공되면 데이터 획득부(111)가 이를 획득하여 제 1 인공 신경망 모델부(112)에 제공하고, 학습된 제 1 인공 신경망 모델부(112)는 제 1 여신 심사용 데이터가 입력되면 전체 차주에 대응하는 여신 심사 승인율을 데이터 제공부(115)로 출력한다. 여기서, 제 1 여신 심사용 데이터는 제 1 인공 신경망 모델부(112)가 사전에 학습한 제 1 학습용 입력 데이터 세트와 대응하는 데이터이다. 예를 들어, 제 1 여신 심사용 데이터는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터, 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 포함할 수 있다.
그리고, 데이터 획득부(111)는 전체 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 연체율 데이터, 개별 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 복제 심사 기초 데이터를 제 2 학습용 입력 데이터 세트로서 획득하고, 제 2 학습용 입력 데이터 세트에 대한 제 2 레이블 데이터로서 부도율 데이터를 획득하며, 획득된 제 2 학습용 입력 데이터 세트 및 제 2 레이블 데이터를 제 2 인공 신경망 모델부(113)에 제공한다. 예를 들어, 제 2 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기초 데이터는 거시 경제 지표 데이터를 포함할 수 있고, 제 2 학습용 입력 데이터 세트에 포함되는 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터 및 신용등급에 대한 데이터를 포함할 수 있다(S303).
그러면, 강화학습 환경부(110)의 제 2 인공 신경망 모델부(113)의 제 2 인공 신경망 모델이 데이터 획득부(111)로부터 제공받는 제 2 학습용 입력 데이터 세트와 제 2 레이블 데이터에 대한 학습을 수행한다(S304).
이후, 개별 차주에 대응하는 제 2 여신 심사용 데이터가 강화학습 환경부(110)에 제공되면 데이터 획득부(111)가 이를 획득하여 제 2 인공 신경망 모델부(113)에 제공하고, 학습된 제 2 인공 신경망 모델부(113)는 제 2 여신 심사용 데이터가 입력되면 개별 차주에 대응하는 예측 부도율을 데이터 제공부(115)로 출력한다. 여기서, 제 2 여신 심사용 데이터는 제 2 인공 신경망 모델부(113)가 사전에 학습한 제 2 학습용 입력 데이터 세트와 대응하는 데이터이다. 예를 들어, 제 2 여신 심사용 데이터는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 연체율 데이터, 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터를 포함할 수 있다.
아울러, 데이터 획득부(111)는 개별 차주에 대응하는 학습용 개별금리 데이터 및 학습용 개별한도 데이터, 전체 차주에 대응하는 전체 대출 승인 수 및 개별 차주에 대응하는 학습용 예측 부도율을 제 3 학습용 입력 데이터 세트로서 획득하고, 제 3 학습용 입력 데이터 세트에 대한 제 3 레이블 데이터로서 여신 운용에 따른 원금 손실 데이터를 획득하며, 획득된 제 3 학습용 입력 데이터 세트 및 제 3 레이블 데이터를 제 3 인공 신경망 모델부(114)에 제공한다(S305).
그러면, 강화학습 환경부(110)의 제 3 인공 신경망 모델부(114)의 제 3 인공 신경망 모델이 데이터 획득부(111)로부터 제공받는 제 3 학습용 입력 데이터 세트와 제 3 레이블 데이터에 대한 학습을 수행한다(S306).
이후, 개별 차주에 대응하는 제 3 여신 심사용 데이터가 강화학습 환경부(110)에 제공되면 데이터 획득부(111)가 이를 획득하여 제 3 인공 신경망 모델부(114)에 제공하고, 학습된 제 3 인공 신경망 모델부(114)는 제 3 여신 심사용 데이터가 입력되면 전체 대출 승인 수에 대응하는 원금 손실 데이터를 데이터 제공부(115)로 출력한다. 여기서, 제 3 여신 심사용 데이터는 제 3 인공 신경망 모델부(114)가 사전에 학습한 제 3 학습용 입력 데이터 세트와 대응하는 데이터이다. 예를 들어, 제 3 여신 심사용 데이터는 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터, 전체 차주에 대응하는 전체 대출 승인 수 및 제 2 인공 신경망 모델부(113)가 출력하는 예측 부도율을 포함할 수 있다. 예컨대, 예측 부도율은 제 2 인공 신경망 모델부(113)의 출력을 제 3 인공 신경망 모델부(114)가 입력받거나 데이터 획득부(111)의 중계에 의해 제 2 인공 신경망 모델부(113)로부터 제 3 인공 신경망 모델부(114)로 제공될 수 있다.
앞서 설명한 단계 S301 내지 S306은 일 실시예에 따른 수행 순서를 설명한 것이며, 이러한 수행 순서는 얼마든지 변경될 수 있다. 예를 들어, 단계 S301, S303 및 S305가 먼저 수행된 후에 단계 S302, S304 및 S306이 수행될 수도 있다.
한편, 데이터 제공부(115)는 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율, 부도 금액, 대출 신청 수, 수익, 수익률 등을 상태(status) 데이터로서 생성하여 강화학습 에이전트부(120)에 제공한다(S307). 또한, 데이터 제공부(115)는 제 1 인공 신경망 모델부(112)가 출력하는 전체 차주에 대응하는 여신 심사 승인율, 제 2 인공 신경망 모델부(113)가 출력하는 개별 차주에 대응하는 예측 부도율, 제 3 인공 신경망 모델부(114)가 출력하는 전체 대출 승인 수에 대응하는 원금 손실 데이터 및 전체 대출 승인 수에 대응하는 대출 금액에 기초하여 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 산출하며, 산출된 수익 변화율 또는 수익율 변화율을 보상 데이터로서 강화학습 에이전트부(120)에 제공한다(S308). 예를 들어, 데이터 제공부(115)는 수학식 1을 이용하여 여신 운용에 대한 수익을 계산할 수 있다.
그러면, 강화학습 에이전트부(120)는 강화학습 환경부(110)로부터 제공되는 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 강화학습 환경부(110)로부터 제공되는 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 강화학습 환경 조정부(130)에 제공한다. 이러한 강화학습 에이전트부(120)가 보상 데이터의 값이 최대화되도록 행동 데이터를 학습하는 과정은 공지의 강화학습법을 이용할 수 있다(S309).
다음으로, 강화학습 환경 조정부(130)는 강화학습 에이전트부(120)로부터 제공되는 행동 데이터에 따라 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나를 조정한 조정 데이터를 강화학습 환경부(110)에 제공한다(S310). 예를 들어, 강화학습 환경 조정부(130)가 강화학습 환경부(110)에 제공하는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터는 여신 정책에 따른 승인 컷-오프(cut-off) 기준을 점수 혹은 등급으로 설정한 승인 컷-오프 전략 데이터 등을 포함할 수 있다. 여기서, 강화학습 환경 조정부(130)를 제외하여 금융여신 심사 장치(100)를 구현한 경우라면, 강화학습 환경부(110)의 데이터 획득부(111)가 강화학습 에이전트부(120)로부터 제공되는 행동 데이터에 따라 변화되는 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나를 획득할 수 있다.
한편, 강화학습 환경 조정부(130)는 강화학습 환경 조정부(130)가 제공하는 행동 데이터에 따라 표 1에 나타낸 여러 가지의 전략에 따라 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나를 고정하거나 범위를 지정함으로써 강화학습 에이전트부(120)의 피드백에 따른 행동 데이터를 선택적으로 취할 수도 있다.
| 전략1 | 전략2 | 전략3 | 전략4 | 전략5 | 전략6 | 전략7 | |
| 심사 기준데이터 | 고정 | 고정 | 범위 | 고정 | 범위 | 범위 | 범위 |
| 개별금리 | 고정 | 범위 | 고정 | 범위 | 고정 | 범위 | 범위 |
| 개별한도 | 범위 | 고정 | 고정 | 범위 | 범위 | 고정 | 범위 |
강화학습 환경 조정부(130)가 전략1에 따라 운용되는 경우에는 주어진 환경에서 최고의 수익을 내는 최적의 개별한도 값을 범위 내에서 찾을 수 있다. 강화학습 환경 조정부(130)가 전략2에 따라 운용되는 경우에는 주어진 환경에서 최고의 수익을 내는 최적의 개별금리 값을 범위 내에서 찾을 수 있다. 강화학습 환경 조정부(130)가 전략3에 따라 운용되는 경우에는 주어진 환경에서 최고의 수익을 내는 최적의 심사 기준 데이터 값을 범위 내에서 찾을 수 있다. 강화학습 환경 조정부(130)가 전략4에 따라 운용되는 경우에는 주어진 환경에서 최고의 수익을 내는 최적의 개별금리 값 및 개별한도 값을 범위 내에서 찾을 수 있다. 강화환경 조정부(130)가 전략5에 따라 운용되는 경우에는 주어진 환경에서 최고의 수익을 내는 최적의 심사 기준 데이터 값 및 개별한도 값을 범위 내에서 찾을 수 있다. 강화학습 환경 조정부(130)가 전략6에 따라 운용되는 경우에는 주어진 환경에서 최고의 수익을 내는 최적의 심사 기준 데이터 값 및 개별금리 값을 범위 내에서 찾을 수 있다. 강화학습 환경 조정부(130)가 전략7에 따라 운용되는 경우에는 주어진 환경에서 최고의 수익을 내는 최적의 심사 기준 데이터 값 및 개별한도 값을 범위 내에서 찾을 수 있다. 즉, 강화학습 환경부(110)가 상태 데이터를 생성하여 강화학습 에이전트부(120)에 제공하는 단계(S307), 강화학습 환경부(110)가 보상 데이터를 생성하여 강화학습 에이전트부(120)에 제공하는 단계(S308), 강화학습 에이전트부(120)가 행동 데이터를 강화학습 환경 조정부(130)에 제공하는 단계(S309) 및 강화학습 환경 조정부(130)가 조정 데이터를 강화학습 환경부(110)에 제공하는 단계(S310)를 반복 수행함으로써 최적의 결과값을 찾아낼 수 있다.
한편, 전술한 실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램을 기록하는 컴퓨터 판독가능한 기록매체에서 구현될 수 있다.
또한, 전술한 실시예에 따른 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법에 포함된 각각의 단계는, 이러한 단계를 수행하도록 위한 명령어를 포함하도록 프로그램된, 컴퓨터 판독가능한 기록매체에 저장된 컴퓨터 프로그램의 형태로 구현될 수 있다.
강화학습 환경부(110), 강화학습 에이전트부(120), 강화학습 환경 조정부(130) 및 데이터 생성부(140)는 하나 또는 둘 이상의 프로세서에 의해 구성될 수 있으며, 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법에 포함된 각각의 단계는 프로세서에 의해 수행될 수 있다.
지금까지 설명한 바와 같은 본 발명의 실시예에 의하면, 여신 운용에 대한 수익 변화율 또는 수익율 변화율이 최대화될 수 있는 여신 심사 기준이나 금리 또는 한도를 강화학습을 통하여 도출함으로써, 금융기관의 금융여신 심사가 최적 상태로 운영되게 할 수 있다.
본 발명에 첨부된 각 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 기록매체에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 기록매체에 저장된 인스트럭션들은 흐름도의 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 적어도 하나의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 금융여신 심사 장치
110: 강화학습 환경부
120: 강화학습 에이전트부
130: 강화학습 환경 조정부
140: 데이터 생성부
110: 강화학습 환경부
120: 강화학습 에이전트부
130: 강화학습 환경 조정부
140: 데이터 생성부
Claims (18)
- 삭제
- 삭제
- 생성적 적대 신경망(GAN)을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하는 데이터 생성부와,
전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 상기 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 상기 복제 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경(environment)에서 상기 개별 차주에 대응하는 학습용 심사 기초 데이터 및 상기 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태(status) 데이터로서 생성하고, 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상(reward) 데이터로서 생성하는 강화학습 환경부와,
상기 강화학습 환경부로부터 제공되는 상기 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 상기 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 주는 강화학습 에이전트부를 포함하고,
상기 강화학습 환경부는,
전체 차주에 대응하는 학습용 심사 기준 데이터, 상기 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터, 학습용 개별금리 데이터 및 학습용 개별한도 데이터를 포함하는 제 1 학습용 입력 데이터 세트와 상기 제 1 학습용 상태 데이터 세트에 대한 제 1 레이블 데이터로서 여신 심사 승인율 데이터가 학습된 제 1 인공 신경망 모델에 개별 차주에 대응하는 제 1 여신 심사용 데이터가 입력되면 상기 전체 차주에 대응하는 여신 심사 승인율을 출력하는 제 1 인공 신경망 모델부와,
전체 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 연체율 데이터, 상기 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터를 포함하는 제 2 학습용 입력 데이터 세트와 상기 제 2 학습용 입력 데이터 세트에 대한 제 2 레이블 데이터로서 부도율 데이터가 학습된 제 2 인공 신경망 모델에 개별 차주에 대응하는 제 2 여신 심사용 데이터가 입력되면 상기 개별 차주에 대응하는 예측 부도율을 출력하는 제 2 인공 신경망 모델부를 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치. - 제 3 항에 있어서,
상기 개별 차주에 대응하는 학습용 개별금리 데이터 및 학습용 개별한도 데이터, 전체 차주에 대응하는 전체 대출 승인 수 및 개별 차주에 대응하는 학습용 예측 부도율을 포함하는 제 3 학습용 입력 데이터 세트와 상기 제 3 학습용 입력 데이터 세트에 대한 제 3 레이블 데이터로서 여신 운용에 따른 원금 손실 데이터가 학습된 제 3 인공 신경망 모델에 개별 차주에 대응하는 제 3 여신 심사용 데이터가 입력되면 상기 전체 대출 승인 수에 대응하는 원금 손실 데이터를 출력하는 제 3 인공 신경망 모델부를 더 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치. - 제 3 항에 있어서,
상기 제 1 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기준 데이터는 승인 컷-오프 전략에 따른 승인 여부에 대한 데이터를 포함하고,
상기 제 1 학습용 입력 데이터 세트에 포함되는 상기 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터에 기초하여 산출한 점수에 대한 데이터 및 신용등급에 대한 데이터를 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치. - 제 3 항에 있어서,
상기 제 2 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기초 데이터는 거시 경제 지표 데이터를 포함하고,
상기 제 2 학습용 입력 데이터 세트에 포함되는 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터 및 신용등급에 대한 데이터를 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치. - 제 4 항에 있어서,
상기 제 1 여신 심사용 데이터는 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터, 상기 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 포함하고, 상기 제 2 여신 심사용 데이터는 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 연체율 데이터와 상기 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터를 포함하며, 상기 제 3 여신 심사용 데이터는 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터, 상기 전체 차주에 대응하는 전체 대출 승인 수 및 개별 차주에 대응하는 예측 부도율을 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치. - 제 4 항에 있어서,
상기 강화학습 환경부는, 상기 제 1 인공 신경망 모델부가 출력하는 상기 전체 차주에 대응하는 여신 심사 승인율, 상기 제 2 인공 신경망 모델부가 출력하는 상기 개별 차주에 대응하는 예측 부도율, 상기 제 3 인공 신경망 모델부가 출력하는 상기 전체 대출 승인 수에 대응하는 원금 손실 데이터 및 상기 전체 대출 승인 수에 대응하는 대출 금액에 기초하여 상기 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 산출하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치. - 삭제
- 삭제
- 금융여신 심사 장치에 의해 수행되는 생성적 적대 신경망(GAN) 및 강화학습을 통한 금융여신 심사 방법으로서,
상기 금융여신 심사 장치가 생성적 적대 신경망(GAN)을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하는 단계와,
상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경(environment)에서 상기 개별 차주에 대응하는 학습용 심사 기초 데이터 및 상기 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태(status) 데이터로서 생성하는 단계와,
상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상(reward) 데이터로서 산출하는 단계와,
상기 금융여신 심사 장치가 상기 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 상기 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 주는 단계를 포함하고,
상기 상태 데이터로서 생성하는 단계는,
전체 차주에 대응하는 학습용 심사 기준 데이터, 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터, 학습용 개별금리 데이터 및 학습용 개별한도 데이터를 포함하는 제 1 학습용 입력 데이터 세트와 상기 제 1 학습용 상태 데이터 세트에 대한 제 1 레이블 데이터로서 여신 심사 승인율 데이터가 학습된 제 1 인공 신경망 모델에 개별 차주에 대응하는 제 1 여신 심사용 데이터가 입력되면 상기 전체 차주에 대응하는 여신 심사 승인율을 출력하는 단계와,
전체 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 연체율 데이터, 상기 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터를 포함하는 제 2 학습용 입력 데이터 세트와 상기 제 2 학습용 입력 데이터 세트에 대한 제 2 레이블 데이터로서 부도율 데이터가 학습된 제 2 인공 신경망 모델에 개별 차주에 대응하는 제 2 여신 심사용 데이터가 입력되면 상기 개별 차주에 대응하는 예측 부도율을 출력하는 단계를 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법. - 제 11 항에 있어서,
상기 상태 데이터로서 생성하는 단계는,
상기 개별 차주에 대응하는 학습용 개별금리 데이터 및 학습용 개별한도 데이터, 전체 차주에 대응하는 전체 대출 승인 수 및 개별 차주에 대응하는 학습용 예측 부도율을 포함하는 제 3 학습용 입력 데이터 세트와 상기 제 3 학습용 입력 데이터 세트에 대한 제 3 레이블 데이터로서 여신 운용에 따른 원금 손실 데이터가 학습된 제 3 인공 신경망 모델에 개별 차주에 대응하는 제 3 여신 심사용 데이터가 입력되면 상기 전체 대출 승인 수에 대응하는 원금 손실 데이터를 출력하는 단계를 더 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법. - 제 11 항에 있어서,
상기 제 1 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기준 데이터는 승인 컷-오프 전략에 따른 승인 여부에 대한 데이터를 포함하고,
상기 제 1 학습용 입력 데이터 세트에 포함되는 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터에 기초하여 산출한 점수에 대한 데이터 및 신용등급에 대한 데이터를 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법. - 제 11 항에 있어서,
상기 제 2 학습용 입력 데이터 세트에 포함되는 전체 차주에 대응하는 학습용 심사 기초 데이터는 거시 경제 지표 데이터를 포함하고,
상기 제 2 학습용 입력 데이터 세트에 포함되는 개별 차주에 대응하는 학습용 심사 기초 데이터는 재무/비재무 데이터 및 신용등급에 대한 데이터를 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법. - 제 12 항에 있어서,
상기 제 1 여신 심사용 데이터는 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터, 상기 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 포함하고, 상기 제 2 여신 심사용 데이터는 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 연체율 데이터와 상기 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터를 포함하며, 상기 제 3 여신 심사용 데이터는 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터, 상기 전체 차주에 대응하는 전체 대출 승인 수 및 개별 차주에 대응하는 예측 부도율을 포함하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법. - 제 12 항에 있어서,
상기 제 1 인공 신경망 모델이 출력하는 상기 전체 차주에 대응하는 여신 심사 승인율, 상기 제 2 인공 신경망 모델이 출력하는 상기 개별 차주에 대응하는 예측 부도율, 상기 제 3 인공 신경망 모델이 출력하는 상기 전체 대출 승인 수에 대응하는 원금 손실 데이터 및 상기 전체 대출 승인 수에 대응하는 대출 금액에 기초하여 상기 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 산출하는
생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 방법. - 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
금융여신 심사 장치가 생성적 적대 신경망(GAN)을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하는 단계와, 상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경(environment)에서 상기 개별 차주에 대응하는 학습용 심사 기초 데이터 및 상기 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태(status) 데이터로서 생성하는 단계와, 상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상(reward) 데이터로서 산출하는 단계와, 상기 금융여신 심사 장치가 상기 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 상기 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 주는 단계를 포함하고,
상기 상태 데이터로서 생성하는 단계는,
전체 차주에 대응하는 학습용 심사 기준 데이터, 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터, 학습용 개별금리 데이터 및 학습용 개별한도 데이터를 포함하는 제 1 학습용 입력 데이터 세트와 상기 제 1 학습용 상태 데이터 세트에 대한 제 1 레이블 데이터로서 여신 심사 승인율 데이터가 학습된 제 1 인공 신경망 모델에 개별 차주에 대응하는 제 1 여신 심사용 데이터가 입력되면 상기 전체 차주에 대응하는 여신 심사 승인율을 출력하는 단계와,
전체 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 연체율 데이터, 상기 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터를 포함하는 제 2 학습용 입력 데이터 세트와 상기 제 2 학습용 입력 데이터 세트에 대한 제 2 레이블 데이터로서 부도율 데이터가 학습된 제 2 인공 신경망 모델에 개별 차주에 대응하는 제 2 여신 심사용 데이터가 입력되면 상기 개별 차주에 대응하는 예측 부도율을 출력하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 판독 가능한 기록매체. - 컴퓨터 판독 가능 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은, 프로세서에 의해 실행되면,
금융여신 심사 장치가 생성적 적대 신경망(GAN)을 적용하여 개별 차주에 대응하는 학습용 심사 기초 데이터에 대한 복수의 학습용 복제 심사 기초 데이터를 생성하는 단계와, 상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터 및 심사 기준 데이터, 개별 차주에 대응하는 금융여신 심사를 위한 심사 기초 데이터, 개별금리 데이터 및 개별한도 데이터를 제공받는 환경(environment)에서 상기 개별 차주에 대응하는 학습용 심사 기초 데이터 및 상기 학습용 복제 심사 기초 데이터를 학습한 인공 신경망 모델을 이용하여 전체 차주에 대응하는 여신 심사 승인율 및 대출 금액, 개별 차주에 대응하는 예측 부도율 중 적어도 하나를 상태(status) 데이터로서 생성하는 단계와, 상기 금융여신 심사 장치가 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나의 변화에 따라 여신 운용에 대한 수익 변화율 또는 수익율 변화율을 보상(reward) 데이터로서 산출하는 단계와, 상기 금융여신 심사 장치가 상기 상태 데이터에 따른 상태 인식에 기초하여 행동(action)을 실행하면서 상기 보상 데이터의 값이 최대화될 수 있도록 학습된 행동 데이터를 생성 및 출력하여 상기 전체 차주에 대응하는 금융여신 심사를 위한 심사 기준 데이터와 상기 개별 차주에 대응하는 개별금리 데이터 및 개별한도 데이터 중 적어도 하나에 영향을 주는 단계를 포함하고,
상기 상태 데이터로서 생성하는 단계는,
전체 차주에 대응하는 학습용 심사 기준 데이터, 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터, 학습용 개별금리 데이터 및 학습용 개별한도 데이터를 포함하는 제 1 학습용 입력 데이터 세트와 상기 제 1 학습용 상태 데이터 세트에 대한 제 1 레이블 데이터로서 여신 심사 승인율 데이터가 학습된 제 1 인공 신경망 모델에 개별 차주에 대응하는 제 1 여신 심사용 데이터가 입력되면 상기 전체 차주에 대응하는 여신 심사 승인율을 출력하는 단계와,
전체 차주에 대응하는 학습용 심사 기초 데이터 및 학습용 연체율 데이터, 상기 개별 차주에 대응하는 학습용 심사 기초 데이터, 상기 학습용 복제 심사 기초 데이터를 포함하는 제 2 학습용 입력 데이터 세트와 상기 제 2 학습용 입력 데이터 세트에 대한 제 2 레이블 데이터로서 부도율 데이터가 학습된 제 2 인공 신경망 모델에 개별 차주에 대응하는 제 2 여신 심사용 데이터가 입력되면 상기 개별 차주에 대응하는 예측 부도율을 출력하는 단계를 포함하는 방법을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함하는, 컴퓨터 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200141352A KR102486901B1 (ko) | 2020-10-28 | 2020-10-28 | 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 |
| KR1020230001269A KR102565223B1 (ko) | 2020-10-28 | 2023-01-04 | 인공 신경망, 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200141352A KR102486901B1 (ko) | 2020-10-28 | 2020-10-28 | 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230001269A Division KR102565223B1 (ko) | 2020-10-28 | 2023-01-04 | 인공 신경망, 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220056613A KR20220056613A (ko) | 2022-05-06 |
| KR102486901B1 true KR102486901B1 (ko) | 2023-01-11 |
Family
ID=81584378
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200141352A KR102486901B1 (ko) | 2020-10-28 | 2020-10-28 | 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 |
| KR1020230001269A KR102565223B1 (ko) | 2020-10-28 | 2023-01-04 | 인공 신경망, 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230001269A KR102565223B1 (ko) | 2020-10-28 | 2023-01-04 | 인공 신경망, 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (2) | KR102486901B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102576143B1 (ko) * | 2022-12-20 | 2023-09-08 | 주식회사 어니스트펀드 | 거절자 추론 없이 대출 실행 데이터를 활용하여 신용 평가 모형을 연속 학습하는 방법 및 이 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016099915A (ja) * | 2014-11-26 | 2016-05-30 | 株式会社インテック | 与信審査用サーバと与信審査用システム及び与信審査用プログラム |
| KR102105276B1 (ko) * | 2019-11-29 | 2020-04-29 | 주식회사 애자일소다 | 강화학습 기반의 결제 분류시스템 및 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060123983A (ko) | 2005-05-30 | 2006-12-05 | 삼성에스디에스 주식회사 | 금융기관의 여신 심사 시스템 및 그 방법 |
| KR102120049B1 (ko) * | 2019-06-12 | 2020-06-08 | 한국인터넷진흥원 | 감가율 자동 조정 방식의 강화 학습 방법 |
| KR20190106861A (ko) * | 2019-08-27 | 2019-09-18 | 엘지전자 주식회사 | 학습 데이터를 생성하는 인공 지능 장치, 인공 지능 서버 및 그 방법 |
-
2020
- 2020-10-28 KR KR1020200141352A patent/KR102486901B1/ko active IP Right Grant
-
2023
- 2023-01-04 KR KR1020230001269A patent/KR102565223B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016099915A (ja) * | 2014-11-26 | 2016-05-30 | 株式会社インテック | 与信審査用サーバと与信審査用システム及び与信審査用プログラム |
| KR102105276B1 (ko) * | 2019-11-29 | 2020-04-29 | 주식회사 애자일소다 | 강화학습 기반의 결제 분류시스템 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220056613A (ko) | 2022-05-06 |
| KR102565223B1 (ko) | 2023-08-11 |
| KR20230011449A (ko) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aslam et al. | The influence of corporate governance on intellectual capital efficiency: evidence from Islamic banks of OIC countries | |
| McConnell | A risk culture framework for systemically important banks | |
| KR102565223B1 (ko) | 인공 신경망, 생성적 적대 신경망 및 강화학습을 통한 금융여신 심사 장치 및 방법 | |
| Khanchel et al. | Is it hard to be different during the COVID-19 crisis? Investigating the relationship between corporate social responsibility and earnings management | |
| Dvorkin et al. | News, sovereign debt maturity, and default risk | |
| Jansson et al. | Banks' risk taking in credit decisions: influences of loan officers' personality traits and financial risk preference versus bank-contextual factors | |
| Senge | The system dynamics national model investment function: a comparison to the neoclassical investment function. | |
| Skinner | Presidential Pendulums in Finance | |
| Arshad et al. | Perceived risk and theory of planned behaviour | |
| KR102652489B1 (ko) | 강화학습을 통한 금융여신 심사 장치 및 방법 | |
| KR20230062179A (ko) | 강화학습을 통한 금융여신 종별 심사 장치 및 방법 | |
| Mendoza et al. | A solution to the disconnect between country risk and business cycle theories | |
| Vasudev | Default swaps and director oversight: Lessons from AIG | |
| Popova et al. | Trading Styles, Inc.: An analysis of the going concern assessment | |
| Satchwell | Pattern recognition and trading decisions | |
| Ward et al. | Methodological guidance to assess the value for money of premium and capital support towards climate and disaster risk finance and insurance | |
| Serletis | Introduction to Macroeconomic Dynamics special issue on complexity in economic systems | |
| Seetharaman et al. | Rating the Credit Raters | |
| Hussey et al. | A guide to the new language of accounting and finance | |
| Jongejans et al. | Supply chain finance: fostering financial innovation for SMES and throughout the supply chain | |
| Moore | Long-term results of timing versus buy and hold in a bull market: A comparative study | |
| Gonzalez | Doing well while doing good? Gender effects in pro-social peer-to-peer lending | |
| Bongiovanni et al. | Transforming enterprise risk management for value in the insurance industry | |
| Hassan et al. | Central bank regulation, religious governance and standardisation: evidence from Malaysian Islamic banks | |
| Hjertaker | Regulating Risk: A study of Basel II and the Copernican turn to financial regulation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |